fed-rag

一键微调 RAG 系统，让检索和生成更匹配

fed-rag 是一个用于微调检索增强生成（RAG）系统的框架。它解决了 RAG 系统中检索器与生成器之间协同调优的难题，提供了一套完整的工具链来优化检索质量与生成效果。核心能力包括：支持对检索器（如嵌入模型）和生成器（如 LLM）进行联合微调，通过自定义损失函数和训练流程提升端到端性能；内置多种评估指标，方便对比不同微调策略的效果；模块化设计，便于集成新的检索模型或生成模型。该框架旨在帮助开发者快速构建和迭代高性能的 RAG 应用，减少手动调参的繁琐工作。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 150

维护状态低维护

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队VectorInstitute

所属国家

官网地址https://vectorinstitute.github.io/fed-rag

GitHubhttps://github.com/VectorInstitute/fed-rag

定价模式free

价格说明开源框架，Apache-2.0 许可证，可自由使用和部署，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型deep-learning,federated-learning,llms,machine-learning,rag

GitHub 星标★ 150

30天Star增速

HF 下载量

上线时间2025-01-17 00:00:00

最近更新2026-07-21 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

核心亮点

提供检索器与生成器的联合微调能力，直接优化端到端 RAG 效果
模块化架构，易于扩展新的模型和自定义训练逻辑
内置评估指标，方便量化微调前后的性能提升

不足之处

项目处于早期阶段，文档和社区支持尚待完善
对新手不友好，需要深入理解 RAG 和微调原理

适用场景

企业知识库问答系统，需要针对特定领域数据优化检索准确性
研究实验，探索不同微调策略对 RAG 性能的影响
生产环境 RAG 应用上线前，进行模型精调以提升回答质量

替代项目

Haystack、LlamaIndex、RAGAS

项目介绍

fed-rag 是开发框架领域的开源项目，由 VectorInstitute 开发，2025 年首次发布。

它收录于开发框架分类，该分类目前共有 795 个项目，GitHub 星标数为 150。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-07-21。Apache-2.0 许可证，可自由使用和部署，无付费版本。

它主要面向的使用场景是：企业知识库问答系统，需要针对特定领域数据优化检索准确性。同类可对比的替代方案包括 Haystack、LlamaIndex、RAGAS。

上一篇：Langchain-ChatBI

下一篇：spring-ai